Система интеллектуального определения тектонических нарушений по сейсмическим данным на основе сверточных нейронных сетей - RU2746691C1

Чертежи

Показать все 8 чертежа(ей)

Описание

Настоящее изобретение относится к обработке сейсмических данных и, в частности, к системе и способу для надежного выявления и визуализации геологических разломов. Также изобретение относится к способу обработки и интерпретации сейсмических данных и может быть использовано на всех стадиях процессов изучения подземной структуры и работы на участках месторождений или с пластами, как на стадиях геологоразведочных работ, так и на стадиях разработки.

На данный момент существует ряд систем, нацеленных на упрощение задач выделения тектонических нарушений по сейсмическим данным, которые уже стали традиционным инструментами геологов и геофизиков. При этом все известные методики можно разделить на две группы – численные и интеллектуальные.

Наиболее применяемыми из численных являются атрибуты, рассчитываемые из амплитудной сейсмической записи, такие как Coherence, Semblance, Similarity. Они позволяют подчеркивать тектонические нарушения, но имеют свои недостатки. Являясь по сути прямым пересчетом из домена амплитуд, они крайне подвержены всем существующим видам шума, что не облегчают в значительной степени поставленную перед ними задачу.

Из уровня техники известно техническое решение по патентному документу US6018498 «Автоматическое обнаружение и сбор сейсмических разломов» (дата приоритета: 02.09.1998, дата публикации: 25.01.2000). Реализованный на компьютере способ автоматического определения линии разлома, обнаруживаемой в трехмерном (3D) объеме сейсмических данных, содержащем множество сейсмических трасс, скомпонованных в виде множества точек данных, имеющих координаты x, y и z, определяющие физическое местоположение в упомянутых сейсмических данных. Причем указанный способ включает: преобразование указанного объема трехмерных сейсмических данных в объем данных плоскости разлома (FP), содержащий множество факторов вероятности, определение полосы указанных физических местоположений в указанном объеме данных FP, имеющих высокую вероятность нахождения в подземной плоскости разломов, обнаруживаемой в указанном объеме сейсмических данных, и преобразование упомянутой по меньшей мере одной полосы физических местоположений, имеющих высокую вероятность, в линию и отображение указанной линии в качестве линии разлома.

Общими признаками с заявленным изобретением является определение (визуализация) линий разломов, полученных из трехмерных сейсмических данных.

Система по патентному документу US6018498 компьютер, запрограммированный на выполнение следующих шагов способа: преобразование объема трехмерных сейсмических данных в объем данных плоскости разлома (FP); определение по меньшей мере одной полосы физических местоположений в объеме данных FP, имеющей высокую вероятность нахождения на подземной плоскости разлома, обнаруживаемой в упомянутом объеме сейсмических данных; преобразование упомянутой полосы физических местоположений, имеющих высокую вероятность, в линию и отображение указанной линии как линии разлома.

Недостатками способа и компьютерной системы по патентному документу US6018498 является невысокая точность проведения линии разлома между выявленными точками данных, при этом точность выявления линий разломов снижается при увеличении уровня шума или снижении качества сейсмоданных.

Из уровня техники известно техническое решение по патентному документу US9341729 «Амплитудно-контрастный сейсмический атрибут» (дата приоритета: 03.04.2012, дата публикации: 11.10.2012). Способ обеспечивает визуализацию сейсмических данных подземного (геологического) пласта, при котором получают поле разломов подземного пласта, где оцененное поле падения представляет собой меру отклонения стратиграфического слоя от плоского, выбор вокселя из сейсмического объема, извлечение компьютерным процессором из сейсмического объема элемента матричных данных, в котором элемент матричных данных содержит сейсмические данные, окружающие воксель в сейсмическом объеме, причем элемент матричных данных извлекается из сейсмического объема на основе значения предполагаемое наклонное поле, окружающее воксель. Далее осуществляют генерирование процессором компьютера и использование матричного оператора множества градиентов амплитуды из сейсмических данных в элементе матричных данных, нормализуют, используя множество градиентов амплитуды, значение амплитуды для воксела, чтобы получить нормализованное значение амплитуды для вокселя. После чего осуществляют генерирование с использованием нормализованного значения амплитуды изображения, представляющего часть подземного пласта.

Общими признаками является обеспечение возможности визуализации сейсмических данных с целью выявления геологических разломов.

Однако недостатками способа и системы обнаружения сейсмических разломов по патентному документу US9341729 является низкий уровень устойчивости к шуму, что приводит к тому, что система, реализующая способ, не выделяет разломы там, где имеется некачественная сейсмическая запись и тектонические нарушения были бы выделены традиционными алгоритмами. Кроме того, отсутствует возможность дообучения системы для работы в конкретных условиях или подстраивания при наличии значительного уровня шума.

Перечисленные численные способы и системы определения разломов являются менее точными, т.к. результаты прогнозирования содержат множество шумов и ошибок.

Также известны интеллектуальные системы, представленные такими решениями, как Ant-Tracking (ант-трэкинг) и сверточные нейронные сети. Первое решение является надстройкой над ранее описанными атрибутами, что, конечно, повышает информативность первых, но все же крайне зависимо от шума в данных. Технологии на основе сверточных нейронных сетей в большинстве случаев, в отличие от заявленного способа и системы, работают с 2D данными, что не позволяет работать с кубами данных в трехмерном объеме, как следствие, они не имеют внутреннего механизма устойчивости и саморегуляризации за счет дополнительного пространства. Те же технологии, которые основаны на 3D сверточных нейронных сетях из другой области техники, реализованы на архитектурах, которые не способны обеспечить качественной тренировки (обучения) необходимого количества параметров и не имеют слоев, которые позволяли бы акцентировать работу сети именно на разломах.

Из уровня техники известен алгоритм отслеживания для обнаружения дефектов и разрывов сейсмической записи («Ant Tracking Algorithm for Surface Discontinuity Extraction-Faults Detection», Samina Hanif, Afifa Tariq, Ariba Imtiaz Ahmed and Aamna Hanif, IEEE, 2014 International Conference on Robotics and Emerging Allied Technologies in Engineering (iCREATE) Islamabad, Pakistan, April 22-24, 2014). Обнаружение разломов является важной частью интерпретации сейсмических изображений как на этапах исследования, так и на стадии разработки. Способ определяет, как сейсмическое изображение может быть обработано с помощью различных механизмов улучшения изображения, за которыми следует алгоритм отслеживания для поиска разломов. Способ основан на выявлении наиболее контрастных атрибутных зон, которые часто являются результатами влияния разломов и его реализации на одном или серии 2D изображений.

Общими признаками является получение изображения по полученным сейсмическим данным, на котором более качественно представлены геологические разломы.

Недостатками способа и системы определения разломов, известных из статьи «Ant Tracking Algorithm for Surface Discontinuity Extraction-Faults Detection», является недостаточный уровень устойчивости к шуму, а также отсутствие способности дообучения системы.

Использование сверточной нейронной сети с целью определения (выявления/ прогнозирования) тектонических нарушений на основе сейсмических данных обеспечивает более точное получение данных разломов, увеличивает скорость обработки данных и значительно снижает влияние шумов сейсмической записи на полученные результаты интерпретации.

Заявленное техническое решение обеспечивает достижение технического результата, заключающегося в повышении качества и точности определения тектонических нарушений (разломов) по сейсмической записи (сейсмическим данным), что позволяет эффективнее работать с геологическими неопределенностями, а также в сокращении времени, необходимого для получения обученной модели лучшего качества за счет возможности более быстрого дообучения и настройки сверточной нейронной сети (модели), что приводит к увеличению скорости отображения качественной информации по наличию тектонических нарушений.

Заявленный технический результат достигается за счет того, что способ интеллектуального определения тектонических нарушений включает:

- получение куба измеренных сейсмических данных;

- деление куба измеренных сейсмических данных на подкубы измеренных сейсмических данных;

- подачу каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, при обучении которой выполнено не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла;

- получение подкубов прогноза разломов по каждому подкубу сейсмических данных (из сверточной нейронной сети);

- сбор подкубов прогноза разломов в куб прогноза разломов.

Важной особенностью процесса обучения модели нейронной сети, предлагаемой в изобретении, является постоянное уменьшение скорости обучения внутри циклов с последующим повышением скорости обучения в последующем цикле относительно скорости обучения в последней эпохе предыдущего цикла. Это позволяет точнее оптимизировать веса нейронной сети, поскольку постоянное уменьшение скорости обучения приводит к тому, что функция потерь модели начинается сходиться во все более глубокие и узкие локальные минимумы, что позволяет повышать качество предлагаемого решения при исключении возникновения дополнительных шумов или неточностей, а, следовательно, и точности определения разломов в трехмерных сейсмических данных. Восстановление скорости на следующем цикле позволят задать функции ошибки дополнительные импульс для движения в уже заданном направлении, что позволяет находить еще более оптимальные с точки зрения функции потерь в гиперпространстве весов модели.

Заявленный способ обеспечивает более высокий уровень устойчивости к шуму (за счет интеллектуальной системы и управления скоростью обучения), при этом модель не выделяет разломы там, где имеется некачественная сейсмическая запись, при этом в результате использования некачественных сейсмических данных на традиционных алгоритмах, ранее известных из уровня техники, были бы выделены тектонические нарушения на участках, на которых они отсутствуют. То есть применение предлагаемого решения позволяет уменьшить количество ложно позитивных срабатываний, таким образом уменьшая время обработки полученного результата специалистом и получения явной структурной интерпретации сейсмических данных.

За счет использования заявленной сверточной нейронной сети обеспечивается возможность выделения нарушений без разрыва сплошности сейсмического сигнала, с чем не справляются традиционные методы. Данный эффект повышается благодаря наличию в обучающей выборке подобных примеров.

Известно, что сейсмические данные являются результатом записи амплитуд сейсмических волн, которые были получены сейсмическими приемниками после отражения энергии от пластов горных пород. Начальный импульс, образованный каким-либо физическим воздействием (взрыв, виброисточник, сброс груза и др.) на поверхности, распространяется вглубь земной коры, где при встрече с контрастной акустической границей отражается и преломляется по законам оптики, а после чего возвращается к поверхности и может быть зарегистрирован. Такая природа получения данных в значительной степени отличает сейсмические данные от результатов каких-либо других исследований (например, компьютерной или магнитно-резонансной томографии) и получаемых ими данных, так как накладываются значительные ограничения на свойства получаемого сигнала. Свойства последнего крайне зависят от глубины (сигнал затухает, в значительной степени меняются амплитуда и частотный состав волн, что ведет к тому, что на большей глубине сложнее выделяться объекты), физики распространения волн (появление кратно отраженных и дефрагированных волн), свойств пород (их поглощающая способность, а также низкая акустическая контрастность), условия создания и приема импульса, а также технические особенности конкретной аппаратуры приема.

Дополнительно обеспечивается возможность дообучения сверточной нейронной сети для работы в конкретных условиях или для подстраивания под опыт конкретного специалиста, использующего заявленный способ, систему или машиночитаемый носитель. Возможность дообучения позволяет быстро расширить сеть на новые типы разломов и геологических ситуаций, не требуя значительных вычислительных мощностей или временных ресурсов. Примером может выступать перенос сети, обученной для сейсмических данных, полученных по результатам работ в Оренбургской области, на данные Северного моря, которые содержат новые типы разломов, отсутствующие тренировочной выборке (например, листрические разломы Северного моря, отсутствующие в Оренбурге, представленном большим количеством надвиговых разломов). Наличие небольшого набора данных с уже выделенными листрическими разломами может позволить дообучить сеть, тренировка которой происходила на данных Оренбурга, и быстро применять ее в дальнейшей работе на площадях Северного Моря. Простота дообучения (настройки) обученной модели (сверточной нейронной сети) позволяет сократить время, которое необходимо для получения обученной модели необходимого качества для сейсмических данных с различным уровнем шума или для применения модели на разных типах нефтяных месторождений, а следовательно, увеличить скорость отображения точной информации по наличию (отсутствию) тектонических нарушений за счет определения (контролирования) необходимой скорости обучения (дообучения) модели на циклах (эпохах).

Также заявленный технический результат достигается за счет того, что система интеллектуального определения тектонических нарушений включает:

- блок входных данных, содержащий по меньшей мере куб измеренных сейсмических данных;

- блок подготовки, соединенный с блоком входных данных, при этом в блоке подготовки осуществляется деление куба измеренных сейсмических данных на подкубы сейсмических данных;

- сверточную нейронную сеть, соединенную с блоком подготовки, при этом осуществляется подача каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, обучение которой включает не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла;

- блок прогноза, соединенный со сверточной нейронной сетью, при этом в блоке прогноза осуществляется получение подкубов прогноза разломов по каждому подкубу сейсмических данных;

- блок сбора данных, соединенный с блоком прогноза, при этом в блоке сбора данных осуществляется сбор подкубов прогноза разломов в куб прогноза разломов.

Технический результат достигается за счет того, что машиночитаемый носитель интеллектуального определения тектонических нарушений содержит компьютерную программу, при исполнении которой на компьютере процессор выполняет следующие операции:

- получение куба измеренных сейсмических данных;

- деление куба измеренных сейсмических данных на подкубы измеренных сейсмических данных;

- подачу каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, при обучении которой выполнено не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла;

- получение подкубов прогноза разломов по каждому подкубу сейсмических данных;

- сбор подкубов прогноза разломов в куб прогноза разломов.

Технический результат достигается за счет того, что способ интеллектуального определения тектонических нарушений включает:

- получение куба измеренных сейсмических данных;

- деление куба измеренных сейсмических данных на подкубы измеренных сейсмических данных;

- подачу каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, при обучении которой выполнено не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла, но меньше максимальной скорости обучения ɳ_max предыдущего цикла обучения.

- получение подкубов прогноза разломов по каждому подкубу сейсмических данных;

- сбор подкубов прогноза разломов в куб прогноза разломов.

Технический результат достигается за счет того, что способ интеллектуального определения тектонических нарушений включает:

- получение куба измеренных сейсмических данных;

- деление куба измеренных сейсмических данных на подкубы измеренных сейсмических данных;

- подачу каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, обучение которой включает не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min) по закону косинусного затухания:

где

η_t - скорость обучения на текущей эпохе;

η_min - заранее определенная минимальная скорость обучения, которая принимается от 0 до 0,00001;

η_max - начальная скорость обучения в цикле (скорость обучения на первой эпохе текущего цикла);

T_cur - номер текущей эпохи внутри цикла (на текущем цикле обучения);

T_max - максимальное количество эпох в цикле (на текущем цикле обучения);

N_cycles - общее количество циклов;

N_{c_i} - номер текущего цикла обучения;

- получение подкубов прогноза разломов по каждому подкубу сейсмических данных;

- сбор подкубов прогноза разломов в куб прогноза разломов.

Также технический результат заключается в получении сверточной нейронной сети (системы, машиночитаемого носителя, содержащих сверточную нейронную сеть), которая обеспечивает повышение качества и точности определения тектонических нарушений (разломов) по сейсмической записи (сейсмическим данным), что позволяет эффективнее работать с геологическими неопределенностями, при этом обеспечивается возможность ее быстрого дообучения и настройки, что приводит к сокращению времени, необходимого для получения обученной модели лучшего качества, а следовательно, повышении скорости отображения качественной информации по наличию тектонических нарушений.

Заявленный технический результат достигается за счет того, что способ обучения нейронной сети для интеллектуального определения тектонических нарушений включает:

- подачу подкуба сейсмических данных в сверточную нейронную сеть;

- проведение не менее чем двух циклов обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла.

Технический результат достигается за счет того, что система обучения нейронной сети для интеллектуального определения тектонических нарушений включает:

сверточную нейронную сеть, соединенную с блоком управления скоростью обучения, при этом осуществляется подача подкуба измеренных сейсмических данных в сверточную нейронную сеть, обучение которой включает не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения,

при этом блок управления скоростью обучения выполнен с возможностью задачи скорости обучения сверточной нейронной сети, при котором в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла.

Технический результат достигается за счет того, что машиночитаемый носитель обучения нейронной сети для интеллектуального определения тектонических нарушений содержит компьютерную программу, при исполнении которой на компьютере процессор выполняет следующие операции:

- подачу подкуба сейсмических данных в сверточную нейронную сеть;

- проведение не менее чем двух циклов обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла.

В одном из вариантов осуществления изобретения осуществляется подача каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, при обучении которой выполнено не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min), при этом максимальная скорость обучения следующего цикла больше минимальной скорости обучения предыдущего цикла, но меньше максимальной скорости обучения η_max предыдущего цикла обучения.

В одном из вариантов осуществления изобретения осуществляется подача каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, обучение которой включает не менее чем два цикла обучения, каждый из которых состоит не более чем из 100 эпох обучения, в каждом цикле скорость обучения (η_t) на текущей эпохе снижается от эпохи к эпохе от максимальной скорости обучения в цикле (η_max) до минимальной скорости обучения в цикле (η_min) по закону косинусного затухания.

В одном из вариантов осуществления изобретения закон косинусного затухания определяется по формуле:

где

η_t - скорость обучения на текущей эпохе;

η_min - заранее определенная минимальная скорость обучения, которая принимается от 0 до 0,00001;

η_max - начальная скорость обучения в цикле (скорость обучения на первой эпохе текущего цикла);

T_cur - номер текущей эпохи обучения внутри цикла (на текущем цикле обучения);

T_max - максимальное количество эпох обучения в цикле (на текущем цикле обучения).

В одном из вариантов осуществления изобретения закон косинусного затухания определяется по формуле:

где

η_t - скорость обучения на текущей эпохе;

η_min - заранее определенная минимальная скорость обучения, которая принимается от 0 до 0,00001;

η_max - начальная скорость обучения в цикле (скорость обучения на первой эпохе текущего цикла);

T_cur - номер текущей эпохи внутри цикла;

T_max - максимальное количество эпох в цикле;

N_cycles - общее количество циклов;

N_{c_i} - номер текущего цикла обучения.

Такие варианты косинусных функций (1) и (2) позволяют устойчиво приближаться к минимумам функции потерь. А перезапуск на каждом цикле дает возможность "подтолкнуть" обучение, придав сети импульса движение в ту сторону, в которую ее "скатывала" функция потерь на предыдущем цикле. Таким образом, обеспечивается движение к наиболее оптимальным минимумам на всех масштабах этой функции.

Предпочтительно скорость обучения η_max на каждом цикле обучения задается 0,001 усл.ед. Однако в одном из вариантов выполнения изобретения скорость обучения η_max предыдущего цикла обучения больше скорости обучения η_max последующего цикла обучения, например от 0,01 до 0,0001 усл.ед.

В одном из вариантов осуществления изобретения в сверточную нейронную сеть дополнительно подается куб сейсмических данных обучения и соответствующий ему куб разломов (тренировочная выборка), содержащий значения 0 и 1, где 0 соответствует сейсмическим данным без разломов, а 1 соответствует сейсмическим данным, содержащим разломы.

В одном из вариантов осуществления изобретения обучение сверточной нейронной сети включает итерации в одной эпохе обучения, при этом в одной итерации сравнивают полученный куб прогноза разломов с кубом разломов тренировочной выборки, в результате сравнения определяют ошибки и учитывают ошибки для оптимизации весов сверточной нейронной сети в последующей итерации обучения.

В одном из вариантов осуществления изобретения после каждой эпохи, по меньшей мере последнего цикла обучения, определяется качество обученной модели, при этом сравнивается куб прогноза разломов с соответствующим ему кубом разломов валидационной выборки.

Валидационная выборка – набор сейсмических данных, которые не участвовали в обучении. Каждый набор таких данных, как и в тренировочной выборке, состоит из двух частей – куб сейсмических амплитуд и соответствующий ему куб разломов.

На эпохах не только последнего цикла обучения может быть проверено качество обученной модели, применив модель к сейсмическим кубам валидационной выборки и получив по ним прогноз и сравнив с правильными (реальными) кубами разломов. По каждому кубу может быть подсчитано свое значение точности.

В одном из вариантов осуществления изобретения бучение сверточной нейронной сети состоит из пяти циклов обучения и ста эпох по крайней мере в первых четырех циклах обучения, причем после каждой эпохи пятого цикла обучения определяется качество обученной модели.

В одном из вариантов осуществления изобретения определяется качество обученной модели с использованием коэффициента сходства Дайса:

где A – множество точек, отвечающих за наличие разлома в кубе разломов;

B – множество точек, которые на выходе модели названы как точки, являющиеся точками разломов.

В одном из вариантов осуществления изобретения определяется качество обученной модели с использованием коэффициента сходства Жаккара:

где A – множество точек, отвечающих за наличие разлома в кубе разломов;

B – множество точек, которые на выходе модели названы как точки, являющиеся точками разломов.

Таким образом, оценка качества работы модели (точности модели) происходит с помощью расчета математических метрик, которые измеряют степень пересечения реального расположения разломов на сейсмической записи с предсказанной структурой, таким образом фактически переводя визуальное сходство геометрий в количественный вариант. Математической метрикой качества решения могут служить коэффициенты сходства Дайса (

В результате осуществляется интеллектуальное определение тектонических нарушений, при котором может определяться качество обученной модели с целью достижения необходимой точности прогнозирования на текущем цикле и возможностью перехода на следующий цикл обучения.

В одном из вариантов осуществления изобретения перед делением куба измеренных сейсмических данных осуществляется подготовка куба измеренных сейсмических данных, которая включает следующие этапы:

- вычисляют среднее значение амплитуды в кубе измеренных сейсмических данных и приводят среднее значение куба к значению 0;

- сужают распределение амплитуд сейсмических данных в диапазон от 1-го до 99-го перцентилей;

- определяют стандартное отклонение и делят все значения амплитуд на стандартное отклонение.

В одном из вариантов осуществления изобретения деление куба измеренных сейсмических данных на подкубы сейсмических данных осуществляется с пересечением и их нормированием данных, при котором осуществляется:

- вычисление среднего значения амплитуды в каждом подкубе сейсмических данных и приводят средние значения подкубов к значению 0;

- определение стандартного отклонения каждого подкуба и деление всех значений амплитуд на соответствующее этому подкубу стандартное отклонение.

В одном из вариантов осуществления изобретения подачу каждого подкуба сейсмических данных в сверточную нейронную сеть осуществляется поочередно.

В одном из вариантов осуществления изобретения сбор подкубов прогноза разломов в куб прогноза разломов осуществляется, осредняя значения прогноза в пересечениях подкубов.

Таким образом, эффективным условием использования процесса обучения модели нейронной сети является постоянное уменьшение скорости обучения внутри циклов с последующим возвращением к начальной скорости с некоторым уменьшающим фактором. Это повышает оптимизацию веса нейронной сети, поскольку постоянно уменьшение скорости обучения приводит к тому, что функция потерь модели начинается сходиться во все более глубокие и узкие локальные минимумы, что позволяет повышать качество предлагаемого решения. Восстановление скорости позволяет задать функции ошибки дополнительный импульс для движения в уже заданном направлении, что позволяет находить еще более оптимальные с точки зрения функции потерь позиции в гиперпространстве весов модели.

Заявленное изобретение подтверждается следующими фигурами.

Фиг. 1 – схематичное изображение определение качества работы модели с использованием коэффициента Дайса (

1 – множество реальных разломов;

2 – множество предсказанных разломов.

Фиг. 2 – схематичное изображение процесса обучения нейронной сети (получение обученной модели определения тектонических нарушений), в которой

Nt – тренировочная выборка;

Nv – валидационная выборка;

М – нейросетевая модель (сверточная нейронная сеть);

Е – искомая точность определения разломов;

В – размер итерации;

It – разбиение тренировочной выборки на итерации;

Iv – разбиение валидационной выборки на итерации;

Т - количество эпох.

Фиг. 3 – зависимость скорости обучения от номера эпохи при η_max= const в циклах обучения.

Фиг. 4 – зависимость скорости обучения от номера эпохи при снижении η_max в каждом последующем цикле обучения.

Фиг. 5 – схематичное изображение структуры сверточной нейронной сети в процессе обучения или использования, в которой

3 – куб сейсмических данных для обучения (или для прогноза, если используется обученная модель);

4 – прогнозный куб разломов;

5 – сверточный блок энкодера, в котором

Conv3D – сверточный слой 3D (Convolution 3D);

BatchNorm – нормализационный слой (Batch Normalization);

PReLU – функция активации;

Dropout3D - слой регуляризации с занулением весов;

6 – блок уменьшения размерности,

7 – блок увеличения размерности, в котором

Conv Transpose3D – транспонированный сверточный слой 3D;

8 – единичный слой свертки, в котором

Output channels = 1 – количество выходных каналов;

sigmoid (x) - сигмоидальная функция.

9 – сверточный блок декодера.

Фиг. 6 – график зависимости повышения качества обучения модели от изменения скорости обучения, при котором обучение сверточной нейронной сети включает пять циклов обучения, при этом каждый цикл состоит из 100 эпох обучения, в которой

10 – функция потерь (ошибки) на обучении;

11 – функция потерь (ошибки) на валидации;

12 – функция точности на обучении;

13 – функция точности на валидации.

Фиг. 7 – схема процесса получения обученной модели определения тектонических нарушений с использование валидационной выборки, на которой 14 – кубы сейсмических данных для обучения модели;

фиг. 8 – схематичное представление работы обученной модели с использованием валидационной выборки, на которой 15 – кубы сейсмических данных для определения качества обученной модели.

На фиг. 1 схематично показаны два варианта определения качества работы обученной модели (сверточной нейронной сети), при этом, чем больше площадь пересечения синего и зеленого кубов (множества реальных разломов и множества предсказанных разломов), тем точнее обучена модель, т.е. точнее предсказаны разломы обученной моделью.

Как указано выше, качество модели может определяться после каждой эпохи обучения и/или после каждого цикла обучения или, например, только на последнем цикле обучения.

В сверточную нейронную сеть могут подаваться кубы сейсмических данных обучения и соответствующий ему куб разломов (тренировочная выборка) (Nt) в целом или разбитая на итерации (It), содержащий значения 0 и 1, где 0 соответствует сейсмическим данным без разломов, а 1 соответствует сейсмическим данным, содержащим разломы. Обучение сверточной нейронной сети (М) обычно включает несколько итераций в одной эпохе обучения. Количество (размер итераций В) может быть задано оператором, при этом в одной итерации сравнивают полученный куб прогноза разломов с кубом разломов тренировочной выборки, в результате сравнения определяют ошибки и учитывают ошибки для оптимизации весов сверточной нейронной сети в последующей итерации обучения (фиг. 2). А также после каждой эпохи, по меньшей мере последнего цикла обучения, определяют качество обученной модели, при этом сравнивают куб прогноза разломов с соответствующим ему кубом разломов валидационной выборки (Nv). Валидационная выборка (Nv) может быть также разбита на итерации (Iv).

Заявленный способ интеллектуального определения тектонических нарушений включает получение куба измеренных сейсмических данных (на фиг. не показан), деление куба измеренных сейсмических данных на подкубы сейсмических данных. После чего осуществляют подачу каждого подкуба сейсмических данных в сверточную нейронную сеть, обучение которой состоит, например, из пяти циклов, каждый цикл состоит, например, из 100 эпох обучения, при этом в каждом цикле скорость обучения снижается, например, от η_max = 0,001 усл.ед. до 0 (η_min) по закону косинусного затухания по формуле (1) (фиг. 4). Кроме того, скорость обучения η_maxможет снижатьсяпри переходе на следующий цикл (фиг. 5): на первом цикле обучения η_max = 0,001 усл.ед., на втором цикле обученияη_max = 0,0008 усл.ед., на третьем цикле обучения η_max = 0,0006 усл.ед., на четвертом цикле обученияη_max = 0,0004 усл.ед., на пятом цикле обучения η_max = 0,0002 усл.ед., определенные, например, по формуле (2).

В результате получают несколько подкубов прогноза разломов по каждому подкубу сейсмических данных, после чего осуществляют сбор подкубов прогноза разломов в куб прогноза разломов.

Архитектура заявленной сверточной нейронной сети обычно состоит из двух частей (фиг. 5): энкодера, уменьшающего размер данных с помощью сверточных блоков 5 и выделяющего наиболее значимые части информации необходимые для решения задачи вдоль своего графа с помощью блоков уменьшения размерности 6, и декодера, трансформирующего информацию в нужный домен (то есть из домена сейсмических амплитуд в домен вероятности наличия разлома), последовательно переходя на все более высокие уровни детализации с использованием блока увеличения размерности 7.

Вдоль своего графа вычислений энкодер уменьшает пространственный объем информации по осям X, Y, Z, но при этом увеличивает количество каналов (с 8 до 128) в данных (начальный этапа – 1 канал, амлитудный), каждый из которых представляет из себя карту выделенных особенностей сейсмической записи. Декодер же, используя эту информацию по множеству каналов, разворачивает запись к начальному объему и входе этого процесса подчеркивает структурные особенности сейсмического поля, выраженные наличием разломов.

Сверточные блоки 5 энкодера и блоки 7 увеличения размерности декодера соответствующих размеров также дополнительно конкатенируются для облегчения процесса обучения и передачи мелких деталей на конечные слои сети.

При этом энкодер состоит из пяти сверточных блоков с двукратным увеличением количества каналов в каждом, 4 первых из них заканчиваются дополнительной операцией свертки с размером ядра 2×2×2 и шагом 2 для уменьшения размера информации. Таким образом, информация уменьшается в объеме, но увеличивается количество выделяемых особенностей в ней. Пятый блок завершается первой операцией транспонирования конволюции (ядро 2×2×2, шаг 2), который начинает разворачивать данные к начальному размеру.

Далее следует четыре блока декодера, которые также завершаются операцией транспонированной конволюции. Они последовательно возвращают информацию к первоначальному размеру, при этом уменьшая количество сверточных каналов. Завершается декодер единичным слоем свертки 8 с размером ядра 1×1×1 и количеством каналов 1, который представляет собой конечную операцию перевода от пространства, состоящего из множества сверточных каналов в единую карту значений, применяя при этом сигмоидальную функцию:

Применение этой функции позволяет трансформировать безразмерные значения выхода нейронной сети к диапазону от 0 до 1, где 1 отвечает за точное наличие разлома, а 0 за его отсутствие.

Основными максимально разделимыми слоями предлагаемой архитектуры являются следующие слои.

Сверточный слой 3D (Convolution 3D) представляет из себя сверточный фильтр. Принимает на вход трехмерные данные размерности C-X-Y-Z, где C – количество каналов, X – ширина, Y – длина, Z – высота. На выход отдает трансформированные данные размерности C-X-Y-Z, где C – количество каналов после трансформации, X – ширина, Y – длина, Z – высота. Задаваемые параметры – количество каналов входных данных, количество каналов на выходе, размер сверточного фильтра (в предлагаемой архитектуре могут быть использованы размерности 5×5×5, 2×2×2 и 1×1×1), шаг (в предлагаемой архитектуре может быть 1 и 2).

Внутри слоя свертка происходит по следующей формуле:

где

N_i – номер куба выборки (тренировочной);

C_out – количество выходных каналов (после свертки);

C_in – количество входных каналов (до свертки);

k – номер канала, на фиг. 5 цифрами обозначено количество каналов: 8, 16, 32, 64, 128 в процессе свертки, и 64, 32, 16 и 8 в процессе развертки.

Транспонированный сверточный слой 3D (Convolution Transpose 3D) представляет из себя сверточный фильтр. Принимает на вход трехмерные данные размерности C-X-Y-Z, где C – количество каналов, X – ширина, Y – длина, Z – высота. На выход отдает трансформированные данные размерности C-X-Y-Z, где C – количество каналов после трансформации, X – ширина, Y – длина, Z – высота. Задаваемые параметры – количество каналов входных данных, количество каналов на выходе, размер сверточного фильтра (в предлагаемой архитектуре бывает только размерности 2×2×2), шаг (в предлагаемой архитектуре всегда равен 2).

Нормализационный слой (Batch Normalization), который принимает данные и производит их перемасштабирование таким образом, чтобы избежать их смещения относительно входа следующего сверточного фильтра. Располагается после сверточных слоев.

Функция активации (PReLU) позволяет сети создавать внутри себя нелинейные связи, располагается между сверточными слоями.

Слой регуляризации с занулением весов (Dropout3D) позволяет в процессе обучения отключать определенные нейроны сети, таким образом не позволяя ей переобучить какие-то конкретные из них и заставляя оптимизировать их все

Слои, описанные выше, позволяют комбинировать промежуточные блоки энкодера и декодера:

Таким образом, сверточный блок 5 энкодера состоит из последовательно соединенных слоев Conv3D-BatchNorm-PReLU-Conv3D-BatchNorm-PReLU-DropOut3D (сверточные ядра имеют размер 5×5×5, шаг 1), а также единственного слоя Conv3D (размер ядра 1×1×1, шаг 1). Основным входным параметром является количество каналов входной информации и количество каналов на выходе. Пропуская информацию через себя, слой ее трансформирует, пытаясь приблизить к необходимому результату (кубу прогноза разломов). Особенностью работы слоя является то, что он производит операцию поэлементного суммирования полученного результата с входными данными, к которым была применена свертка размерностью 1×1×1.

На выходе каждого энкодера, кроме сверточного блока 5, присутствует дополнительный сверточный слой Conv3D с размером ядра 2×2×2, шагом 2, с последующей функцией активацией PReLU, т.е. блок 6 уменьшения размерности. Этот блок 6 необходим для уменьшения размерности и извлечения наиболее значимой для нейронной сети информации, что помогает быстрее проводить обучение и применение модели, а также увеличивает ее устойчивость.

Сверточный блок 9 декодера повторяет архитектуру сверточного блока энкодера за исключением того, что последним слоем является не слой свертки, а слой транспонированной конволюции 7, увеличивающий размер входной информации по всем трем направлениям в два раза.

В результате сверточная нейронная сеть заявленной структуры и обученная заявленным способом обеспечивает повышение скорости, качества и точности выделения тектонических разрывных нарушений (разломов) по сейсмической записи (сейсмическим данным), что позволяет эффективнее работать с геологическими неопределенностями.

На фиг. 6 видно, что при изменении скорости обучения по заявленному принципу повышается точность обученной модели, при этом наблюдаются значительные скачки увеличения качества модели при переходе от цикла к циклу обучения. При этом в процессе обучения снижается ошибка работы обученной модели (функции потерь 10 и 11). В целом использование заявленных способов, систем и машиночитаемых носителей, обеспечивающих обучение сверточной нейронной сети, кроме повышения качества определения разломов, обеспечивают сокращение времени, необходимое для получения обученной модели необходимого качества. На фиг. 6 функция потерь на обучении 10 и функция потерь на валидации 11 в целом определяют уровень ошибки прогнозирования, а точность обучения 12 и точность валидации 13 определяют точность отражения (представления) разломов (тектонических нарушений). Как видно, в процессе обучения модели точность прогнозирования повышается, а уровень ошибки снижается.

Проведено тестирование разработанного решения для куба сейсмических данных, полученного по одному из активов Компании, в результате которого доказано, что предлагаемые системы, способы и машиночитаемые носители не уступают и даже превосходят существующие алгоритмы для решения поставленной задачи, а результатом применения заявленного изобретения является получение модели (изображения) менее подверженной шуму, способной качественно выделять тектонические нарушения (фиг. 8).

Реферат

Настоящее изобретение относится к обработке сейсмических данных и, в частности, к системе и способу для надежного выявления и визуализации геологических разломов. Способ интеллектуального определения тектонических нарушений включает: получение куба измеренных сейсмических данных, деление куба измеренных сейсмических данных на подкубы измеренных сейсмических данных, подачу каждого подкуба измеренных сейсмических данных в сверточную нейронную сеть, получение подкубов прогноза разломов по каждому подкубу сейсмических данных и сбор подкубов прогноза разломов в куб прогноза разломов.

Формула

,